DV2646 - Djup maskininlärning - Blekinge Tekniska Högskola

1. Beslut

Denna kurs är inrättad av dekan 2023-05-23. Kursplanen är fastställd av prefekten vid institutionen för datavetenskap 2025-08-22 och gäller från 2025-08-22.

2. Förkunskapskrav

För tillträde till kursen krävs avklarad kurs Maskininlärning 6 hp. Engelska 6.

3. Syfte och innehåll

3.1 Syfte

I denna kurs introduceras grundläggande och avancerade begrepp inom djup maskininlärning med fokus på matematiska grunder, modellering och implementering av neurala nätverk. Kursen behandlar också hur djup maskininlärning fungerar i praktiken, inklusive träning, validering, testning och optimering av modeller.

3.2 Innehåll

Artificiella neurala nätverk
Komponenter för djup maskininlärning
Konvolutionella neurala nätverk
Djup maskininlärning
Djupa återkommande neurala nätverk
Avancerade klassificeringsmetoder baserade på djup maskininlärning
Förklarbarhet och tolkbarhet inom djup maskininlärning
Nätverk för långt korttidsminne (LSTM)
Autokodare: kodning och avkodning
Adversariellt lärande och generativa adversariella nätverk (GAN)
Tillämpningar av djup maskininlärning inom olika områden

4. Lärandemål

Följande lärandemål examineras i kursen:

4.1. Kunskap och förståelse

Efter genomförd kurs ska studenten kunna:

förklara grunderna i djup maskininlärning
ha avancerad kunskap inom området djup maskininlärning

4.2. Färdighet och förmåga

Efter genomförd kurs ska studenten kunna:

designa, utveckla och tillämpa djupa maskininlärningsmetoder vid utförande av forsknings- och utvecklingsaktiviteter för relevanta problem
implementera djupa maskininlärningslösningar för relevanta problem
träna, validera, testa och finjustera hyperparametrar för djupa maskininlärningsmetoder
utvärdera och jämföra prestandan hos djupa maskininlärningsmetoder

4.3. Värderingsförmåga och förhållningssätt

Efter genomförd kurs ska studenten kunna:

kritiskt granska relevant litteratur om djupa maskininlärningsmetoder

5. Läraktiviteter

Genom att kombinera teori med praktiska övningar syftar kursen till att ge studenterna de färdigheter som krävs för att förstå, implementera och utvärdera modeller inom djupinlärning.

Detta kompletteras med övningar och laborationer, vilket ger studenterna möjlighet att utveckla allmänna färdigheter, förmågor och tillvägagångssätt i linje med kursens lärandemål.

6. Bedömning och examination

Examinationsmoment för kursen

Kod	Benämning	Omf.	Betyg
2605	Inlämningsuppgift 1	1 hp	GU
2615	Inlämningsuppgift 2	1 hp	GU
2626	Projekt	4 hp	AF

Kursen bedöms med betygen A Utmärkt, B Mycket bra, C Bra, D Tillfredställande, E Tillräckligt, FX Underkänd, något mer arbete krävs, F Underkänd.

Examinator har möjlighet att muntligen följa upp skriftliga examinationer.

I kurstillfällets information inför kursstart framgår i vilka examinationsmoment som kursens lärandemål examineras samt gällande bedömningsgrunder.

Examinator kan, efter samråd med högskolans FUNKA-samordnare, fatta beslut om anpassad examinationsform för att en student med varaktig funktionsvariation ska ges en likvärdig examination jämfört med en student utan funktionsvariation.

7. Kursvärdering

Kursvärdering ska göras i enlighet med BTH:s beslut om frågeställning i kursvärderingar och beslut om process för hantering och uppföljning av kursvärderingar.

8. Begränsningar i examen

Kursen kan ingå i examen men inte tillsammans med annan kurs vars innehåll, helt eller delvis, överensstämmer med innehållet i denna kurs.

9. Kurslitteratur och övriga lärresurser

Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, Natural Language Processing, and Transformers Using TensorFlow, 1st edition
Författare: Magnus Ekman
Utgivare: Pearson
År: 2022

Deep Learning
Författare: Ian Goodfellow, Yoshua Bengio, Aaron Courville
Utgivare: MIT Press
År: 2016

Deep Learning with Python Second Edition
Författare: Francois Chollet
Utgivare: Manning
År: 2021